基于在线监测时间序列数据的水质预测模型研究进展

当前地表水突发性污染事件频发,已造成严重的环境和社会影响,对环境监管部门应急处置能力建设提出了新要求和新挑战。地表水水质在线监测数据具有高频率和高时效等特点,系统论述了基于在线监测时间序列数据的水质预测模型的研究现状和进展,包括数据软测量、预处理方法和水质预测模型等,分析了不同水质预测模型在应用过程中存在的问题,并对未来研究方向进行了展望,以期为水质预测预警和环境监管提供技术支持和方法参考。

基于时间序列的改进型永磁同步电机三矢量无模型预测电流控制策略

针对永磁同步电机驱动系统传统的三矢量模型预测电流控制策略参数鲁棒性差的问题,提出一种基于时间序列的改进型三矢量无模型预测电流控制策略,以消除参数失配的影响,提高系统的鲁棒性。首先,建立时间序列数据驱动模型,将输入输出数据拟合为离散传递函数,并结合递归最小二乘法在线估计模型待定系数,预测所需变量。此外,对矢量扇区进行重新分类,以优化三矢量组合的选择过程。引入矢量占空比直接计算方法,抑制电机参数入口对占空比计算环节的不确定性影响,进一步提高系统的鲁棒性。最后,仿真和实验结果表明,所提出的策略能有效提高模型参数的鲁棒性,dq轴电流纹波减小,电机参数变化引起的干扰得到有效抑制。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

基于时间序列神经分层插值模型的光伏功率超短期多步预测

针对光伏功率预测准确性受数据质量和外部变量影响的问题,提出一种结合外生变量分析、数据质量控制以及时间序列神经分层插值(N-HiTS)模型的光伏功率超短期多步预测方法。首先,提出用于筛选外生变量的综合相关性度量(ICM)指标,并采用K近邻(KNN)算法与线性插值策略处理数据缺失问题。然后,引入N-HiTS长时间序列预测模型,通过多尺度信号采样和分层插值提高模型对长时间序列数据的处理能力。最后,通过算例对所提方法与传统光伏功率预测方法进行对比分析,验证了所提方法的预测准确性。

时间序列趋势加权平滑预测模型研究

时间序列预测模型在生产性行业里具有广泛的作用 .在时间序列预测中 ,实测值序列所呈现的趋势对于数据预测起着不容忽视的作用 .本文提出了趋势加权平滑预测思想 ,利用权函数的形式对实测值序列中的趋势性成分进行提取并加以利用 ,能够使预测值更加趋近于实测值 .我们将该思想应用到一类实时量预测模型实例中 。

基于时间序列AR(P)模型的边坡变形预测与应用

获取边坡的监测数据进行分析,并预测其接下来的变化趋势,具有重要的意义。本文以贵州省福泉市高坪矿区英坪矿段内边坡工程项目为研究对象,对监测数据采用时间序列AR(P)模型方法进行了分析与预测。研究结果表明,模型拟合的结果和预测精度较好地反映了监测点的变化趋势,可为矿区边坡模型建立和监测数据的预测提供一定的参考。

A^(2)former模型在时间序列预测中的应用研究

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

基于时间序列模型的北京市院前急救出车车次预测分析

目的研究分析北京市院前急救出车车次,预测未来时间内的出车车次,以期为北京市院前急救建设及发展提供参考。方法采用描述性统计方学法分析北京市2018年—2022年院前急救出车车次基本情况;使用SPSS 26.0统计软件建立时间序列模型,运用“专家建模器”自动选择最优模型,对北京市2023年院前急救出车车次进行预测。结果北京市2018年—2022年院前急救出车车次逐年上升,2022年出车车次是2018年出车车次近2倍,每年出车车次最高、最低月份分别为12月、2月;时间序列模型自动选择最优模型为“温特斯加型”,模型拟合度R方为0.896,平稳R方为0.377,杨-博克斯Q(18)统计量的显著性P值为0.642,数据拟合效果良好;预测值与实际值平均绝对百分比误差(MAPE)为6.85%,模型的预测能力“优良”;较好预测了2023年院前急救出车车次。结论北京市院前急救出车车次呈逐年上升趋势,院前急救公共卫生服务能力有效提升;时间序列模型较好地拟合北京市院前急救出车车次变化趋势并进行预测,助力适时调配院前急救服务资源;推进北京市院前急救供给侧改革完善,赋予院前急救服务体系更高韧性。

基于LightGBM-Informer的盾构隧道管片上浮长时间序列预测模型

基于机器学习预测施工期盾构刀盘前方管片上浮值,有助于及时调整盾构控制参数以缓解管片上浮病害。然而,已有模型在长时间序列预测问题上的性能不佳,难以精确预测盾构刀盘前方多环管片上浮值。通过考虑盾构控制、姿态参数及地层信息的影响,结合Boruta算法,确定模型输入特征;利用小波变换滤波器、完备自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法消除时间序列数据噪声,构建了一种基于LightBGM-Informer的盾构隧道施工期管片上浮预测模型。通过南京和厦门地区某地铁盾构隧道监测数据,验证了所提模型的准确性和适用性。结果表明,所提模型预测精度较循环神经网络(recurrent neural network,RNN)、长短时记忆网络(long short-term memory,LSTM)、门控循环单元(gated recurrent unit,GRU)、Transformer等模型有所提升,且在地质条件不同的数据集上具有良好的泛化性;随着预测序列长度的增加,该模型的性能优势更突出,可准确预测盾构刀盘前方1~2环未施工管片的上浮值。基于沙普利加和解释(Shapley additive explanations,SHAP)方法的特征重要性分析指出,土舱压力及盾头、盾尾垂直位移对管片上浮影响显著。所提模型可为复杂环境下富水地层盾构隧道管片施工智能化控制提供理论指导。

基于Conv1D-LSTM混合模型的长时间序列日最高温预测研究

针对传统方法难以处理高维度数据捕捉气温数据中的非线性模式和复杂动态特征的问题,本文提出一种基于卷积神经网络(Conv1D)与长短期记忆网络(LSTM)相结合的混合模型,用于长时间序列高温预测研究。数据集包含北京市2014年至2023年间的气象数据,包括天气、日最低温、日最高温、风向等特征。通过特征工程处理,将天气和风向特征编码,并对温度特征归一化。构建的Conv1D-LSTM混合模型创新性地融合Conv1D以捕获时间序列中的局部特征,融合LSTM以学习长期依赖关系。与传统模型相比,该混合模型的均方根误差(RMSE)和平均绝对误差(MAE)分别降低约17.3%和20.5%,同时R2分数提高约1.06%,表明该模型具有更高的预测精度和泛化能力。

一种基于信息熵的LSTM时间序列数据预测模型

时间序列预测可提升智能电网决策能耗评估有效性和电力传感网络的故障检测效率。基于香农信息熵和长短时记忆网络,构建一种基于时间序列数据的趋势预测模型,模型算法首先对时间序列数据以熵值法处理后进行特征归并,建立特征区间和熵值模型;其次在特征区间建立的基础上,将分类过后的数据在长短时记忆网络中进行训练得到预测结果。最后实验结果表明,与传统LSTM和GRU模型相比,高熵模型的均值平方差函数迭代结果误差降低85.9%和85.29%,显著改善模型预测结果的可靠性和准确性。

基于季节性时间序列模型的西藏那曲牧草生长预测研究

为了保护西藏生态环境,了解牧草相关的生长情况,使用NASA提供的16天合成MODIS数据,以归一化植被指数(NDVI)作为牧草的生长覆盖特征指标,预测NDVI就可以更好地评估牧草的生长情况,以那曲市的NDVI为例,利用ARIMA和SARIMA模型进行预测,结果显示SARIMA模型有着良好精度预测,能够更好地评估牧草地生长情况。

基于时间序列算法的能源电力需求自动预测模型

为提高能源电力需求预测准确性,提出基于时间序列算法的能源电力需求自动预测模型。选取原始时间序列中拥有近似模糊值的数据,通过模糊熵算法对其进行处理;引入灰色系统理论消除电力需求时间序列中的残差值,获取GM(1,1)模型,由此构建ARMA(p,q)模型;将两种模型相结合,建立GM(1,1)-ARMA(p,q)组合预测模型,完成能源电力需求的自动预测。实验结果表明,所提方法的预测效果好,相对误差值、MAPE值和MSE值小。

时间序列预测模型发展趋势分析

时间序列预测是当前研究的主要方向之一,能有效解决工业、交通等领域的工艺指标和客流量预测问题。通过分析现有的时间序列模型,可以预测未来的发展趋势。首先,分析现有时间序列预测模型的结构,以了解其技术实现方式;其次,根据技术手段的不同,将模型分为优化提升类和创新类;最后,讨论了时间序列预测模型的未来发展趋势。

基于改进SLIQ算法的用户侧短期负荷时间序列预测模型

配电网净负荷需求较大,环境敏感度高,短期负荷预测可靠性较差,由此,研究基于改进SLIQ算法的用户侧短期负荷时间序列预测模型。采用SLIQ算法,分类处理包含气候变化的海量负荷数据,分析用户侧需求响应的不确定性,将分类后的数据和用户需求响应率输入基于时间序列的组合预测模型,初步预测用户侧短期负荷结果;利用S型函数的神经网络模型,改进SLIQ算法求解过程,采用梯度搜索学习的方式,修正S型激发函数计算误差,调整用户侧需求响应的不确定性,输出用户侧短期负荷预测结果。测试结果显示,该模型结合气象条件因素后,完成历史负荷数据分类的可行性较高,日负荷预测准确率和拟合系数结果分别在0.95和0.94以上,能够可靠完成用户侧负荷预测。

基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。

时间序列模型在经济分析中的应用——陕西省GDP分析与预测

相对精准的GDP分析与预测可以为国家或地区在进行经济发展战略部署及相关发展措施的制定方面提供重要参考依据。文章借助时间序列的相关定义和方法,分析和模拟了影响陕西省GDP的主要因素及其与第一、二、三产业的关系,并进一步采用数据分析方法,建立不同的模型并加以比较,得出了最佳的预测模型,并对第一、二、三产业与GDP进行了预测。

基于时间序列预测模型的中国城乡收入差距预测研究

我国城乡收入差距较大,这一现象影响社会稳定、制约经济增长、阻碍共同富裕、加剧教育资源不均、影响公共服务均衡性。研究我国城乡收入差距对于推动经济社会发展、实现共同富裕、提高社会公平性、优化政策制定以及维护社会稳定等方面具有重要意义。通过深入研究,可以为政府和社会各界提供科学的决策参考,促进城乡协调发展,实现更加和谐的社会环境。已知我国城乡收入比远高于美国等OECD成员国的城乡收入比(1.25以下),为了深入研究我国城乡收入差距发展趋势,本文通过建立数学模型研究,结合相关文献数据且基于时间序列预测模型的模型建立、模型求解去预测什么时限我国可达到OECD成员国城乡收入比的基本水平。在研究过程中,通过查找2013~2019年的城乡收入比数据,构建时间序列预测模型对未来的发展进行预测,并结合基于我国东部、中部以及西部地区2017~2021年的泰尔指数,利用基准分析模型和门限面板回归模型结合相关发展经济学的理论及库兹涅兹提出的倒“U”型分析发现,我国城乡收入差距在波动中呈逐步扩大的趋势并体现出阶段性特征中影响城乡收入差距的因素,通过调节变量使得城乡居民收入比低于1.25。研究得出,在乡村振兴战略和数字经济持续推进的条件下,人力资本、创新活力、城镇化水平将不断提高,政府需要加大对教育科研的投入力度,以及财政农业投入占比;在农业方面引入数字化手段;出台有关政策鼓励外商在农村进行投资;经过24年我国城乡居民收入比可达到美国等OECD成员国的基本水平。

基于贝叶斯结构时间序列模型的海南省人口预测研究

通过分析2003—2022年的人口数据,深入了解海南省的人口现状,并预测常住人口总量。数据源于《海南省统计年鉴》,采用折线图、人口金字塔图等对海南省2003—2022年人口现状进行描述,并应用贝叶斯结构时间序列模型对未来三年的常住人口数进行预测。经过分析和预测,结果显示,贝叶斯结构时间序列模型的均方根误差为2.914、平均绝对百分比误差为0.002<10、决定系数为0.986。2023—2025年海南省常住人口总数分别为1042.34万人、1054.56万人、1066.76万人。说明贝叶斯结构时间序列模型应用于海南省常住人口预测的效果较好,海南省常住人口数量仍会持续缓慢上升。

某三甲中医医院ICU感染发生率时间序列分析及趋势预测

目的:了解某三甲中医医院ICU感染发生率的时序分布特征,预测其发生规律和趋势,为中医医院ICU感染监测提供数据支持。方法:收集某三甲中医医院2019年1月至2024年2月ICU医院感染数据。利用求和自回归滑动平均模型(Autoregressive integrated moving average,ARIMA)对ICU感染发生趋势进行预测并评价其预测效果。结果:2019年1月至2024年2月某三甲中医医院ICU医院感染发生率为2.61%(232/8895);时间序列分析显示,ICU医院感染发生率波动较大且存在一定周期性,总体呈下降趋势。根据赤池信息准则和贝叶斯信息准则拟合,ARIMA(0,1,1)为最优预测模型。经参数估计与效果评价,感染发生率实际值均在预测值95%可信区间内,模型预测效果较好。结论:运用ARIMA对某三甲中医医院ICU医院感染发生率的预测结果良好,可显示其长期发生规律与趋势,能为医院感染监测提供科学依据。